Formation Deep Learning en Louvain

Cette formation en direct avec instructeur à Louvain (en ligne ou sur site) s'adresse aux développeurs intermédiaires, aux scientifiques des données et aux praticiens de l'IA qui souhaitent exploiter TensorFlow Lite pour des applications d'IA en périphérie.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA en périphérie.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils en périphérie.
• Utiliser des outils et techniques pour la conversion et l'optimisation des modèles.
• Implémenter des applications pratiques d'IA en périphérie en utilisant TensorFlow Lite.

Cette formation en direct, encadrée par un formateur, en Louvain (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À l'issue de cette formation, les participants seront capables de :

• Créer et entraîner des réseaux de neurones convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles cloud évolutif et efficace.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct, animée par un formateur, dans Louvain (en ligne ou sur site), s'adresse aux data scientists et développeurs de niveau intermédiaire souhaitant comprendre et appliquer des techniques d'apprentissage profond dans l'environnement Google Colab.

À l'issue de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond avec TensorFlow.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct, animée par un formateur à Louvain (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant se spécialiser dans les techniques d'apprentissage profond de pointe pour la CLN.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les différences clés entre les modèles de CLN et de TAL.
• Appliquer des techniques avancées d'apprentissage profond aux tâches de CLN.
• Explorer des architectures profondes telles que les transformers et les mécanismes d'attention.
• Exploiter les tendances futures de la CLN pour construire des systèmes d'IA sophistiqués.

Cette formation en présentiel ou en ligne, animée par un instructeur, Louvain s'adresse aux professionnels de niveau avancé souhaitant explorer les techniques les plus récentes de compréhension des modèles d'intelligence artificielle (XAI) pour les modèles de deep learning, avec un accent particulier sur la conception de systèmes d'IA interprétables.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les défis liés à la compréhension des modèles de deep learning.
• Mettre en œuvre des techniques avancées de compréhension pour les réseaux neuronaux.
• Interpréter les décisions prises par les modèles de deep learning.
• Évaluer les compromis entre performance et transparence.

Cette formation en présentiel, animée par un instructeur, en <lieu> (en ligne ou sur site), s'adresse aux data scientists, ingénieurs en apprentissage automatique, chercheurs en apprentissage profond et experts en vision par ordinateur de niveau intermédiaire à avancé, souhaitant élargir leurs connaissances et compétences dans le domaine de la génération d'images à partir de texte via l'apprentissage profond.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les architectures et techniques avancées d'apprentissage profond pour la génération d'images à partir de texte.
• Implémenter des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour de grands ensembles de données et des modèles complexes.
• Régler les hyperparamètres afin d'améliorer les performances et la généralisation des modèles.
• Intégrer Stable Diffusion avec d'autres frameworks et outils d'apprentissage profond.

Cette formation en direct, animée par un instructeur à Louvain (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant exploiter les techniques d'IA pour révolutionner les processus de découverte et de développement de médicaments.

À l'issue de cette formation, les participants seront capables de :

• Comprendre le rôle de l'IA dans la découverte et le développement de médicaments.
• Appliquer des techniques d'apprentissage automatique pour prédire les propriétés moléculaires et les interactions.
• Utiliser des modèles d'apprentissage profond pour le criblage virtuel et l'optimisation des candidats médicaments.
• Intégrer des approches pilotées par l'IA dans le processus des essais cliniques.

Cette formation en présentiel ou en ligne, animée par un formateur à Louvain s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux d'AlphaFold.
• Apprendre comment AlphaFold fonctionne.
• Apprendre à interpréter les prédictions et les résultats d'AlphaFold.

Cette formation en présentiel ou à distance Louvain, animée par un formateur, s'adresse aux scientifiques des données et aux ingénieurs en apprentissage automatique de niveau débutant à intermédiaire souhaitant améliorer les performances de leurs modèles d'apprentissage profond.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de l'apprentissage profond distribué.
• Installer et configurer DeepSpeed.
• Étendre les modèles d'apprentissage profond sur du matériel distribué en utilisant DeepSpeed.
• Mettre en œuvre et expérimenter les fonctionnalités de DeepSpeed pour l'optimisation et l'efficacité mémoire.

Cette formation en présentiel ou en ligne, encadrée par un formateur, s'adresse aux développeurs débutants et intermédiaires souhaitant utiliser les grands modèles linguistiques pour diverses tâches de langage naturel.

À l'issue de cette formation, les participants seront capables de :

• Mettre en place un environnement de développement incluant un LLM populaire.
• Créer un LLM de base et l'ajuster finement sur un ensemble de données personnalisé.
• Utiliser les LLM pour différentes tâches de langage naturel telles que le résumé de texte, la réponse aux questions, la génération de texte, et plus encore.
• Débugger et évaluer les LLM à l'aide d'outils tels que TensorBoard, PyTorch Lightning et Hugging Face Datasets.

Cette formation pratique (en ligne ou en présentiel) est destinée aux data scientists, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent exploiter Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'usage.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Lors de cette formation en présentiel animée par un formateur expert à Louvain, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus avancées sous Python, tout en réalisant une série d'applications de démonstration utilisant des données d'images, de musique, de texte et financières.

À l'issue de cette formation, les participants seront capables de :

• Mettre en œuvre des algorithmes et des techniques d'apprentissage automatique pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et l'apprentissage semi-supervisé à des applications impliquant des données d'images, de musique, de texte et financières.
• Exploiter au maximum le potentiel des algorithmes Python.
• Utiliser des bibliothèques et packages tels que NumPy et Theano.

Ce cours d'IA appliquée à partir de zéro en Python permet aux programmeurs et aux analystes de données d'acquérir des techniques fondamentales pour concevoir des solutions de machine learning à partir des bases en utilisant Python. Il couvre les principes clés de l'apprentissage supervisé (classification et régression), de l'apprentissage non supervisé (regroupement et détection d'anomalies) ainsi que des architectures avancées de réseaux neuronaux. Le cours passe en revue des méthodes éprouvées pour utiliser scikit-learn, Apache Spark MLlib et les notebooks Jupyter dans le développement pratique d'IA. Il aide les professionnels à mettre en œuvre des modèles de ML concrets, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes du monde réel.

L'apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) associe les principes de l'apprentissage par renforcement aux architectures d'apprentissage profond pour permettre aux agents de prendre des décisions grâce à leur interaction avec leur environnement. Il est à la base de nombreuses avancées modernes en intelligence artificielle, telles que les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes sur la base d'apprentissages par essai-erreur et de récompenses.

Cette formation animée par un instructeur (en ligne ou sur site) s'adresse aux développeurs et aux data scientists de niveau intermédiaire souhaitant apprendre et mettre en œuvre des techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Implémenter les principaux algorithmes d'apprentissage par renforcement, tels que l'apprentissage Q, les gradients de politique et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond en utilisant TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Diagnostiquer, visualiser et optimiser les performances d'entraînement à l'aide d'outils modernes.

Format du cours

• Conférence interactive et discussions guidées.
• Exercices pratiques et mises en œuvre concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options de personnalisation du cours

• Pour demander une version personnalisée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter afin de l'organiser.

Explorer les fondements de l'intelligence artificielle révèle comment la technologie intelligente transforme la stratégie numérique, l'automatisation et la prise de décision au sein des opérations des entreprises. Examine les concepts de base couvrant l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement sous incertitude et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Guide les dirigeants et les architectes dans l'évaluation des opportunités de transformation pilotées par l'IA, l'analyse des tendances technologiques émergentes et l'intégration de solutions intelligentes pratiques pour accélérer l'agilité des affaires.

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans l'industrie automobile. Il aide à déterminer quelles technologies peuvent (éventuellement) être utilisées dans diverses situations à bord d'un véhicule, allant de l'automatisation simple et la reconnaissance d'images jusqu'à la prise de décision autonome.

Un réseau neuronal artificiel est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment utilisés dans les applications d'apprentissage automatique (ML), qui constituent elles-mêmes une implémentation de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Cette formation en direct, animée par un formateur, en Louvain (en ligne ou sur site), s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python, tout en facilitant le débogage du code.

À la fin de cette formation, les participants seront capables de :

• Configurer l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et implémenter des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'entraînement en apprentissage profond, tout en tirant parti des GPU pour des performances élevées.

Cette formation en direct, dispensée par un formateur à Louvain (en ligne ou sur site), fournit une introduction au domaine de la reconnaissance des motifs et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines des statistiques, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'extraction de données (data mining) et de la bio-informatique.

À l'issue de cette formation, les participants seront en mesure de :

• Appliquer des méthodes statistiques fondamentales à la reconnaissance des motifs.
• Utiliser des modèles clés tels que les réseaux de neurones et les méthodes de noyau pour l'analyse des données.
• Implémenter des techniques avancées pour la résolution de problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en direct, animée par un instructeur à Louvain (en ligne ou en présentiel), s'adresse aux chercheurs et développeurs souhaitant installer, configurer, personnaliser et utiliser la plateforme DeepMind Lab afin de développer des systèmes d'intelligence artificielle générale et d'apprentissage automatique.

À l'issue de cette formation, les participants seront en mesure de :

• Personnaliser DeepMind Lab pour créer et exécuter un environnement adapté aux besoins d'apprentissage et de formation.
• Utiliser l'environnement de simulation 3D de DeepMind Lab pour entraîner des agents d'apprentissage dans une perspective à la première personne.
• Faciliter l'évaluation des agents afin de développer des capacités intelligentes dans un monde 3D inspiré des jeux.

Cette formation en présentiel ou en ligne, animée par un expert, Louvain, s'adresse aux analystes d'affaires, aux data scientists et aux développeurs qui souhaitent concevoir et mettre en œuvre des modèles d'apprentissage profond afin d'accélérer la croissance des revenus et résoudre des problèmes liés au monde des affaires.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les concepts fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Obtenir des perspectives sur l'évolution future des affaires et des industries grâce aux technologies ML et DL.
• Définir des stratégies et des solutions commerciales à l'aide de l'apprentissage profond.
• Apprendre à appliquer les données (data science) et l'apprentissage profond pour résoudre des problèmes d'affaires.
• Construire des modèles d'apprentissage profond en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Cette formation animée par un instructeur à <lieu> (en ligne ou sur site) s'adresse aux data scientists qui souhaitent accélérer les applications d'apprentissage machine en temps réel et les déployer à grande échelle.

À l'issue de cette formation, les participants seront capables de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision par ordinateur à l'aide d'un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds d'un cluster Kubernetes.

Cette formation en direct, animée par un formateur à Louvain (en ligne ou sur site), s'adresse aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

À l'issue de cette formation, les participants seront en mesure de :

• Créer un modèle de détection de la fraude en Python et avec TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'intelligence artificielle de bout en bout pour analyser les données de fraude.

Cette formation en direct en Louvain (en ligne ou en présentiel) s'adresse aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des entraînements d'apprentissage profond distribués et les mettre à l'échelle pour qu'ils s'exécutent sur plusieurs GPU en parallèle.

À l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à exécuter des entraînements d'apprentissage profond.
• Installer et configurer Horovod afin d'entraîner des modèles avec TensorFlow, Keras, PyTorch et Apache MXNet.
• Mettre à l'échelle l'entraînement d'apprentissage profond avec Horovod pour qu'il s'exécute sur plusieurs GPU.

Dans le cadre de cette formation en présentiel animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutionnel (CNN) dédié à la reconnaissance d'images.

À l'issue de cette formation, les participants seront en mesure de :

• Construire un modèle d'apprentissage profond
• Automatiser l'étiquetage des données
• Travailler avec des modèles issus de Caffe et TensorFlow-Keras
• Entraîner des données en utilisant plusieurs GPU, le cloud ou des clusters

Public cible

• Développeurs
• Ingénieurs
• Experts du domaine

Format de la formation

• Exposé magistral, discussions, exercices et pratique intensive en laboratoire

Cette formation en direct, encadrée par un formateur à Louvain (en ligne ou en présentiel), s'adresse aux ingénieurs logiciel souhaitant programmer en Python avec OpenCV 4 pour le deep learning.

À l'issue de cette formation, les participants seront capables de :

• Visualiser, charger et classifier des images et des vidéos à l'aide d'OpenCV 4.
• Mettre en œuvre le deep learning dans OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles de deep learning et générer des rapports pertinents à partir d'images et de vidéos.

Lors de cette formation en direct animée par un instructeur, les participants apprendront des techniques avancées d'apprentissage machine avec R en créant une application concrète.

À l'issue de cette formation, les participants seront capables de :

• Comprendre et mettre en œuvre des techniques d'apprentissage non supervisé
• Appliquer le clustering et la classification pour effectuer des prédictions à partir de données réelles.
• Visualiser les données pour obtenir rapidement des insights, prendre des décisions et affiner davantage l'analyse.
• Améliorer les performances d'un modèle d'apprentissage machine grâce au réglage des hyperparamètres.
• Déployer un modèle en production pour son intégration dans une application plus vaste.
• Appliquer des techniques avancées d'apprentissage machine pour répondre à des questions impliquant des données de réseaux sociaux, le big data, et plus encore.

Cette formation en présentiel, animée par un formateur, dans <lieu> (en ligne ou sur site), s'adresse aux développeurs et aux scientifiques des données qui souhaitent utiliser TensorFlow 2.x pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.

À l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond sur le cloud, les appareils mobiles et les dispositifs IoT.

Ce cours commence par vous apporter des connaissances conceptuelles sur les réseaux de neurones et, de manière plus générale, sur les algorithmes d'apprentissage automatique et l'apprentissage profond (algorithmes et applications).

La partie 1 (40 %) de cette formation met davantage l'accent sur les fondamentaux, tout en vous aidant à choisir la technologie appropriée : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20 %) de cette formation introduit Theano, une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40 %) de la formation repose largement sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Les exemples et les exercices pratiques seront tous réalisés avec TensorFlow.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront capables de :

• avoir une bonne compréhension des réseaux neuronaux profonds (DNN), des CNN et des RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer l'installation, la configuration et les tâches liées à l'environnement de production et à l'architecture
• évaluer la qualité du code, effectuer du débogage et de la surveillance
• implémenter des fonctionnalités avancées de type production, telles que l'entraînement de modèles, la construction de graphes et la journalisation